Redes neurais em dispositivos Raspberry PI para detecção de pessoas

Abstract

Os avanços observados na área da Visão Computacional nos últimos anos, propiciados pela larga utilização de Redes Neurais Convolucionais, fazem-se notar em tarefas de classificação de imagens, localização de objetos e detecção de objetos. Técnicas consideradas o estado-da-arte nestes tipos de problema baseiam-se na utilização de arquiteturas de redes neurais compostas por diversas camadas de neurônios, e consequentemente, por uma grande quantidade de parâmetros. O treinamento e a inferência realizada com redes como estas demandam grande capacidade computacional, não só em termos de processamento, mas também em consumo de memória. As exigências provenientes de arquiteturas consideradas o estado-da-arte inviabilizam a utilização de tecnologias como estas em ambientes caracterizados pela restrição de recursos computacionais, como sistemas embarcados ou dispositivos utilizados no contexto da Internet das Coisas (IoT), onde a sua aplicação em soluções envolvendo segurança residencial, nas quais tempos de resposta eficientes são requisitos essenciais, pode ser comprometida. Enquanto modelos de classificação ou detecção de objetos baseados em redes neurais podem ser utilizados neste contexto, delegando-se a computação para computadores remotos, o tempo de resposta envolvendo requisições de rede para servidores alocados remotamente pode ser inaceitável para este tipo de aplicação. A popularidade da plataforma Raspberry Pi no ambiente de IoT, aliada ao poder computacional relativamente alto, para dispositivos utilizados neste contexto, fazem com que o desafio de se utilizar Redes Neurais Convolucionais para classificação e detecção de objetos, executando-se a inferência diretamente a partir destes dispositivos torne-se uma tarefa viável. Este trabalho propõe a busca por uma solução baseada em modelos de rede neural, dentre um conjunto de arquiteturas caracterizadas por uma demanda computacional menor, capazes de realizar detecção de pessoas em imagens com baixo tempo de execução e consumo de memória, no contexto de uma aplicação em segurança residencial, diretamente a partir de um Raspberry Pi, apresentando eficiência aceitável. Mais especificamente, são realizados experimentos com os modelos de detecção de objetos TinyYolo, MobileSSD e Pelee, comparando-se tempo de execução e eficiência na tarefa de detecção. Além disso, experimenta-se uma solução composta por uma etapa inicial com um modelo de classificação, seguida de uma etapa posterior utilizando um modelo de detecção de objetos, visando a melhoria do desempenho tanto em tempo de execução quanto na acurácia na tarefa de detecção de pessoas.

The recent advances in Computer Vision in last years, mainly due massive utilization of Convolutional Neural Networks, can be observed in tasks such as image classification, object localization and object detection. State of the art techniques in these kind of problems are based on neural net architectures with many layers of neurons, and by consequence, with a large number of parameters. Training and inference with these networks demand huge computational capacity, not only in processing power, but in memory consumption too. Demands presented by architectures considered the state of the art in the field make the utilization of technologies like these not viable in environments denoted by scarce computational resources, such as embedded systems or devices used in the context of the Internet of Things (IoT), where applications in residential security systems, where the demands for efficient response times are critical, can be compromised. Although neural network-based image classification and object detection models can be used in this context, delegating the computation to remote computers, the response time of network requests can be unacceptable for such kind of application. The popularity of the Raspberry Pi platform in IoT environments, with the relatively high processing power compared to devices used in such context, implies that the challenge of using Convolutional Neural Networks for image classification and object detection, applying the inference directly from these devices, turn to be a viable task. The present work tries to find a neural net-based solution, within a set of low-demanding processing power architectures, but still able to detect people in images, with low response times and memory consumption, in a residential security system context, with acceptable efficiency. More specifically, an experiment is realized with object detection models, including TinyYolo, MobileSSD and Pelee models, comparing response times and detection quality. Additionally, another experiment with a hybrid solution, composed by a classification step, followed by a detection step, tries to achieve higher response time and detection accuracy.